谷歌DeepMind推出的AlphaEarth Foundations模型整合PB级地球观测数据，解决遥感数据的信息过载与不一致问题。该模型高效生成全球高精度地图，支持农业监测和环境保护，显著降低分析成本，已在多个国家应用，推动生态系统分类与环境研究，未来将扩展至灾害预警等领域。

本文提出了一种级联多模态管道，用于高分辨率生物多样性制图，克服传统方法的局限性。通过深度物种分布模型和Pl@ntBERT，生成大陆尺度的物种分布图和生态指标图，提供精细的生态洞见，并有效整合多源遥感数据，联合建模物种间依赖关系。

本研究利用无人机技术收集了8个胡桃样本地的遥感数据，构建了包含30,240张图像和706,208个实例的绿胡桃数据集（WalnutData），为农业计算机视觉领域提供了基准评估，推动了该领域的发展。

本研究通过引入Prompt Learning和双提示机制，优化遥感数据模型训练，降低通信成本。实验结果表明，FedRSCLIP在图像分类中表现优异，具备全球知识共享和客户端适应能力。

本研究构建了一个涵盖2017年1月至2021年10月的多时相遥感数据集，解决了森林火灾监测中的数据不足问题，支持火灾检测与预测，为火灾管理提供重要数据支持。

本研究提出了一种新颖的多源协同领域泛化框架（MS-CDG），旨在提升单源领域泛化在真实域变化中的表现。实验结果显示，该方法在多源遥感数据集上的性能显著优于现有技术。

本文研究了地球上规则植物景观，特别是斑点景观在气候变化中的作用。研究利用深度学习处理遥感数据的方法，对多种景观和区域进行了测试。尽管初步结果良好，但要实现从太空自动映射这些景观仍需进一步研究。

本研究提出了一种结合多传感器遥感数据与深度学习的新方法，能够更精确地描绘冰川及其时间变化，对冰川类型区分具有应用潜力。对气候变化和水资源管理有重要影响。

该研究使用深度学习评估自然灾害中的建筑损害，通过遥感数据解决了推广到新灾难和地区的挑战，考虑了低质量和噪声标签的影响。研究发现，3米的卫星图像分辨率对于有效的建筑损害检测至关重要。U-Net Siamese网络集成在不同深度学习模型和技术中表现最佳。研究还评估了通用模型和洪水专家模型，并探讨了在特定领域数据中的通用性差距和分布。该研究揭示了人工智能在评估气候变化引发的极端天气事件影响方面的潜力和局限性。

本研究提出了一种基于注意力机制的深度学习方法来估算森林地上生物量，准确性更高。研究证实了利用卫星数据进行生物量估算的深度学习方法的可行性。

本文研究了使用DFCNN对地观测图像进行像素级场景标记。作者使用了变种的SegNet架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。该方法在ISPRS Vaihingen 2D语义标记数据集上改进了现有技术的准确率。

本文研究了使用深度完全卷积神经网络（DFCNN）对地观测图像进行像素级场景标记。作者使用了变种的SegNet架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。作者提出了三个贡献：1）将DFCNN有效地应用于遥感图像领域；2）引入了多核卷积层以便于对多个尺度上的预测进行快速聚合；3）使用残差校正对异构传感器的数据进行融合。该方法在ISPRS Vaihingen 2D语义标记数据集上改进了现有技术的准确率。